基于图论的PMU最优配置方法及比较

首先阐述了电力系统状态估计模型和进行PMU最优配置的准则,随后以系统的完全可观测为目标,介绍了基于图论的深度优先搜索法、GTP算法和最小生成树算法。应用上述算法分别对IEEE标准节点系统进行PMU最优配置仿真。仿真结果表明几种方法在解的多样性,计算时间等方面各具特色,适用于不同的配置需要。     

电力系统PMU最优配置问题的混合优化算法

针对电力系统潮流计算方程直接可解的PMU最优配置问题,提出了一种引入小生境技术的遗传禁忌搜索混合算法。混合优化算法以小生境遗传算法为主体,避免传统遗传算法“早熟”和解的多样性不足的问题;结合禁忌搜索思想,使用TSR算子进行交叉操作,解决传统遗传算法局部搜索能力较差和收敛速度有待提高的问题。用该算法与其他两种传统算法进行了对比验证,结果表明该混合算法不仅能寻得全局最优解,而且提供了解的多样性,提高了优化效率,具有广阔的应用前景。     

电力系统中PMU优化配置的研究

文章主要阐述了如何实现电力系统中PMU的优化配置。在WSCC9节点系统和IEEE14节点系统中分别运用最小生成树（Kruskal）算法、广度优先搜索算法和禁忌搜索算法进行仿真。通过对仿真结果产生的测量的冗余度和PMU的利用率以及PMU数量等方面的比较,得出禁忌搜索算法最适合于PMU的优化配置的结论。     

CW-PSO及其在古建筑传感器优化配置中的应用研究

针对粒子群优化算法容易陷入早熟收敛以及全局搜索和局部搜索平衡能力差等缺点,提出了基于余弦自适应调整惯性权重的粒子群优化算法(CW-PSO),并将其应用在木构古建筑传感器优化配置中。仿真结果表明,该算法在一定程度上避免了早熟收敛,提高了全局和局部搜索性能,又能得到较为精确的寻优结果。     

几种遗传算法在舰船电力系统网络重构中应用及比较

舰船电力系统(SPS)的网络重构是恢复系统故障、提高舰船生命力的重要途径之一。在满足各种运行约束条件下,快速地恢复因战斗受损的负荷供电是一典型的非线性整数规划问题。该文给出了大型舰船电力系统的网络拓扑结构,建立了综合考虑线路容量限制、节点电压约束及供电负荷优先性的重构数学模型,提出了全局遗传算法和免疫遗传算法来解决舰船电力系统网络重构问题。通过算例,对这几种遗传算法进行了比较,结果表明免疫遗传算法具有较高的收敛速度和精度,能够迅速求得全局最优解,避免了不成熟收敛,较好地实现了舰船电力系统的多目标故障恢复。     

几种遗传算法在舰船电力系统网络重构中应用及比较

舰船电力系统(SPS)的网络重构是恢复系统故障、提高舰船生命力的重要途径之一.在满足各种运行约束条件下,快速地恢复因战斗受损的负荷供电是一典型的非线性整数规划问题.该文给出了大型舰船电力系统的网络拓扑结构,建立了综合考虑线路容量限制、节点电压约束及供电负荷优先性的重构数学模型,提出了全局遗传算法和免疫遗传算法来解决舰船电力系统网络重构问题.通过算例,对这几种遗传算法进行了比较,结果表明免疫遗传算法具有较高的收敛速度和精度,能够迅速求得全局最优解,避免了不成熟收敛,较好地实现了舰船电力系统的多目标故障恢复.     

求解舰船电力系统网络重构的贪婪DPSO算法

针对舰船电力系统的网络重构,建立了故障恢复的离散模型.提出基于简单贪婪法、概率贪婪法两种离散微粒群优化算法,分析了参数对离散化过程的影响.舰船电力系统网络故障恢复算例显示:该方法能获得更好的故障恢复方案;参数选取合适的概率贪婪法能有效地克服微粒群算法易于陷入局部极值的缺点,具有优良的收敛性能.     

粒子群遗传混合算法在点状注记配置中的应用

通过重新定义粒子位置、速度以及其相应的运算规则,本文将粒子群遗传混合算法应用到点状注记配置中。通过借鉴遗传算法中的变异操作的思想,本文使用变异算子对粒子进行变异操作,提高了粒子群的粒子多样性,避免了局部收敛和粒子搜索能力的下降。最后使用注记密度分别为12%和35%的地图数据对本算法进行测试。测试结果表明,本算法具有良好的稳定性,能够解决点状注记配置问题。     

改进的粒子群算法在电力系统AGC中的应用

针对自动发电控制(AGC)中的负荷频率控制(LFC),对粒子群算法的计算过程进行了改进,提出了一种能有效的协调粒子群算法的优化精度和优化速度的方法,即动态改变粒子数目。该方法基于粒子群算法对于粒子数目的相对不敏感,可以在不影响精度的前提下大幅度提高优化速度,节约计算时间,适应予优化对象较复杂的情况。并针对单区域和两区域互联电力系统的不同指标要求,给出了用改进的粒子群优化算法优化PI控制器参数的方法,分别进行优化设计。仿真结果显示,其性能明显优于遗传算法优化的PI控制器。     

免疫克隆粒子群优化算法在水面舰船图像分割中的应用

介绍了一种免疫克隆粒子群优化(IC PSO)算法来进行函数优化,目的在于克服基本粒子群优化(PSO)算法容易陷入局部极值的不足,从而实现全局搜索.通过免疫克隆原理的应用,根据亲和度的高低进行粒子克隆选择、淘汰和高频变异,提高了种群的多样性,增强了算法全局搜索的能力,提高了收敛速度和精度.实验结果表明,该算法完成全局搜...     

采用Petri网进行修正的启发式船舶电网拓扑分析

针对船舶电力系统的特点,采用一种启发式电力网络进行拓扑分析模型建立以确定电力系统网络拓扑,在此基础上借鉴电力系统故障诊断的方法,采用Petri网技术对电网进行故障定位以及对不确定信号的诊断与排除,对拓扑分析结果进行修正,以保证拓扑分析的正确性。最后以典型船舶电力系统网络为例,验证了该方法的有效性。     

基于WFPSO算法的云虚拟机放置策略

随着云计算技术的大规模应用,云应用的交互更加依赖于网络,较差网络拓扑的选择,增加了应用在网络中的通信流量,严重影响应用的运行效率和服务质量。为解决此问题,提出了一种基于粒子群优化算法的虚拟机放置策略。该策略通过建立云环境内部时延模型,利用改进的粒子群优化算法求解目标函数,来降低应用的时延,提高运行效率。并在CloudSim平台上进行仿真实验,实验结果表明,该策略的响应时间低于基本粒子群优化算法（PSO）,并且修改后的PSO算法在不影响收敛精度的前提下较大幅度地提高粒子群算法的收敛速度,提高了云环境中应用的运行效率。     

遗传算法在风光互补发电系统优化设计中的应用

风光互补发电系统的优化配置是一个多目标优化问题,优化目标为系统安装成本,约束条件为供电可靠性。如何合理的匹配设计是充分发挥风光互补发电优越性的关键。在成本(目标)函数的最小化计算中,采用改进的遗传算法进行优化,随机搜索并采用选择、交叉、变异三种基本算子在全部组合中搜索最优化的配置。结果表明在满足负荷用电的前提下,其经济性能优于单独的光伏系统和单独的风电系统。     

基于计算智能融合的轧钢厂电力系统低频振荡控制方法

针对电力系统稳定器优化配置的复杂非线性问题,将具有较好全局搜索能力和寻优速度的计算智能算法引入到电力系统低频振荡抑制中,充分利用遗传算法和粒子群优化算法的优点,提出一种混合算法,提高了寻优过程的收敛性和稳定性.混合算法被用于优化电力系统稳定器参数,进而提出基于混合算法的电力系统低频振荡控制方法.实验仿真和应用结果表明,混合算法具有快速收敛性、短的计算时间和较好的稳定性;同时混合算法优化的电力系统稳定器不仅可以克服低频振荡现象,而且还可以增强电力系统的暂态稳定性.     

遗传布局算法

VLSI门阵列模式布局是一类NP完全问题，传统的分析、研究方法和求解策略不能提供优化布局。文中将遗传算法应用于门阵列模式布局，提出了遗传布局算法，设计了相应的选择函数、交叉算子和变异算子，使布局的构形更趋合理。模拟结果表明，应用遗传布局算法能在较短的时间内提供优化解，为解决大规模、复杂的布局问题提供了广阔的前景。     

优化灰色模型在负荷预测中的应用研究

针对传统的灰色模型在负荷增长速度较快时预测精度低的问题,提出了采用交叉遗传粒子群优化算法代替最小二乘法来优化GM(1,1)模型中参数a、b的方法;介绍了灰色预测原理及其数学模型、CGPSO算法及基于CGPSO算法的优化灰色模型,并根据实际负荷数据进行了仿真实验。结果表明,在负荷增长速度较快时,优化灰色模型的预测精度明显高于GM(1,1)模型,能够应用于电力系统的中长期负荷预测,拓展了灰色模型的适用范围。     

Design of a Proportional-Integral-Derivative Controller for an Automatic Generation Control of Multi-area Power Thermal Systems Using Firefly Algorithm

Essentially, it is significant to supply the consumer with reliable and sufficient power. Since, power quality is mea sured by the consistency in frequency and power flow between control areas. Thus, in a power system operation and control, automatic generation control (AGC) plays a crucial role. In this paper, multi-area (Five areas: area 1, area 2, area 3, area 4 and area 5) reheat thermal power systems are considered with proportional-integral-derivative (PID) controller as a supplemen tary controller. Each area in the investigated power system is equipped with appropriate governor unit, turbine with reheater unit, generator and speed regulator unit. The PID controller parameters are optimized by considering nature bio-inspired firefly algorithm (FFA). The experimental results demonstrated the comparison of the proposed system performance (FFA-PID) with optimized PID controller based genetic algorithm (GA PID) and particle swarm optimization (PSO) technique (PSO PID) for the same investigated power system. The results proved the efficiency of employing the integral time absolute error (ITAE) cost function with one percent step load perturbation (1% SLP) in area 1. The proposed system based FFA achieved the least settling time compared to using the GA or the PSO algorithms, while, it attained good results with respect to the peak overshoot/undershoot. In addition, the FFA performance is improved with the increased number of iterations which outperformed the other optimization algorithms based controller.      

基于综合改进型PSO算法的电网无功优化研究

为改善基本粒子群优化(PSO)算法的电网无功优化性能,提出了一种新的综合改进型PSO算法,该算法将蜜蜂进化机制、遗传选择机制与PSO算法相结合.在寻优前期,为提高粒子的全局寻优能力,采用蜜蜂进化机制与粒子群相结合的蜜蜂进化PSO算法,可有效地增加粒子的多样性;在寻优后期,为增加粒子的收敛速度,采用遗传选择机制与PSO算法相结合的选择PSO算法.利用综合改进型PSO算法和其他典型优化算法,分别对IEEE 14标准电网以及某地实际运行电网进行对比分析,结果显示,综合改进后的PSO算法进行无功优化时,其收敛速度明显加快,收敛能力显著提高,电网无功优化性能有了很大改善,验证了该算法的正确性和有效性.